随着我国城市化速度的快速提高，车辆普及化程度也大幅度提高，机动车和出行人的数量大量增加。由于道路承载能力难以满足如此大的交通吞吐量，因此道路拥挤加剧，交通事故越来越多，道路的安全问题和交通的效率问题越来越受到人们关注。ITS(Intelligent Transportion System, ITS)系统，即智能交通系统，被认为是解决上述问题的有效手段。ITS系统是集计算机、控制、检测、通讯于一体的综合系统。其中TSR(Traffic Sign Recognition, TSR)系统便是ITS系统的一个重要的子系统。TSR系统是以数字图像处理与检测技术为基础，通过对车辆进行信息化和智能化控制，解决驾驶安全问题和城市交通堵塞问题的一个智能系统。目前针对TSR系统的研究已成为国内外研究的热点。目前，现有的交通标志识别算法各有千秋，但也存在一些不足。因此，本文提出一些新的算法和思路，弥补这些缺陷，对TSR系统的发展和实际应用都具有重要的意义。
　　交通标志识别系统由安装在车辆上的照相机来捕捉交通场景中交通标志，然后通过计算机未完成检测和识别。由于自然条件的不稳定性和交通标志本身的复杂性，交通标志识别的主要难点有:1)自然环境下获取的交通标志图像质量不稳定;2)交通标志图片库的建立。本学位论文基于以上两点，结合中国的实际情况，在交通标志识别分类算法中做了以下三方面的工作。
　　首先，在已有的交通标志识别分类算法的基础上，结合道路交通标志颜色一几何模型，提出一种用于交通标志识别的多层识别准则。该准则具有结构简单、易于实现，实时性强的特点。
　　其次，针对目前交通标志分类识别算法的不足，深入研究了神经网络在交通标志识别中的应用，并将其与传统分类算法结合，灵活地运用到识别准则中。仿真实验证明，智能分类算法与传统分类方法的结合具有易实现，识别成功率高等特点。
　　最后，在图像特征提取方面，分析了图像描述的不同方法和特征，最后选用了Hu不变矩、图像其他区域特征与几何特征相结合的方法，针对不同类型的交通标志采用不同的特征值。这种方法优化了比较单一的传统的分类准则，本文所提出的交通标志的识别算法能有效提高分类识别的成功率。
　　本学位论文在最后一章，总结了全文的工作，并提出了后续工作的研究思路，对下一步研究工作具有指导性的意义。最后，针对学位论文所作的研究在实际生活中的应用作了展望。